# --- Imports necesarios para la estrategia y la optimización --- from freqtrade.strategy import IStrategy, IntParameter, DecimalParameter, CategoricalParameter from pandas import DataFrame import talib.abstract as ta import freqtrade.vendor.qtpylib.indicators as qtpylib from datetime import datetime from typing import Optional class ScalpingDeepSeekStrategy(IStrategy): # --- Configuración General de la Estrategia --- timeframe = '1m' # Se recomienda empezar con 5m para no tener tanto ruido # Define un stoploss fijo stoploss = -0.10 # Usa un ROI mínimo y permite que el Trailing Stop lo gestione minimal_roi = {"0": 100} # ROI desactivado, confiamos en el Trailing Stop o salidas personalizadas # Configuración del Trailing Stop trailing_stop = True trailing_stop_positive = 0.01 # Trailing stop a 1% por debajo del máximo beneficio trailing_stop_positive_offset = 0.025 # Se activa cuando el beneficio alcanza el 2.5% trailing_only_offset_is_reached = True # --- Definición de Parámetros Optimizables (Hyperparameters) --- # ⚙️ Parámetros de ENTRADA para COMPRA (LONG) buy_adx_enter = IntParameter(15, 40, default=25, space='buy') buy_rsi_enter = IntParameter(20, 50, default=45, space='buy') buy_volume_factor = DecimalParameter(1.1, 3.0, default=1.8, decimals=1, space='buy') # Fibonacci para COMPRA buy_fib_lookback_period = IntParameter(24, 96, default=48, space='buy') # Periodo para buscar el swing High/Low buy_fib_level_enter = CategoricalParameter([0.382, 0.5, 0.618], default=0.5, space='buy') # ⚙️ Parámetros de ENTRADA para VENTA (SHORT) sell_adx_enter = IntParameter(15, 40, default=25, space='sell') sell_rsi_enter_bottom = IntParameter(50, 80, default=55, space='sell') sell_rsi_enter_top = IntParameter(70, 95, default=75, space='sell') sell_volume_factor = DecimalParameter(1.1, 3.0, default=1.8, decimals=1, space='sell') # Fibonacci para VENTA sell_fib_lookback_period = IntParameter(24, 96, default=48, space='sell') sell_fib_level_enter = CategoricalParameter([0.382, 0.5, 0.618], default=0.5, space='sell') def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame: # --- Indicadores Clásicos --- dataframe['ema_fast'] = ta.EMA(dataframe, timeperiod=9) dataframe['ema_slow'] = ta.EMA(dataframe, timeperiod=21) dataframe['ema_trend'] = ta.EMA(dataframe, timeperiod=50) # Filtro de tendencia mayor dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14) # RSI estándar dataframe['adx'] = ta.ADX(dataframe, timeperiod=14) dataframe['volume_ma'] = ta.SMA(dataframe['volume'], timeperiod=20) # --- Lógica de Retroceso de Fibonacci --- # Búsqueda de swing high/low para LONG swing_high_long = dataframe['high'].rolling(self.buy_fib_lookback_period.value).max().shift(1) swing_low_long = dataframe['low'].rolling(self.buy_fib_lookback_period.value).min().shift(1) dataframe['fib_level_long'] = swing_high_long - (swing_high_long - swing_low_long) * self.buy_fib_level_enter.value # Búsqueda de swing high/low para SHORT swing_high_short = dataframe['high'].rolling(self.sell_fib_lookback_period.value).max().shift(1) swing_low_short = dataframe['low'].rolling(self.sell_fib_lookback_period.value).min().shift(1) dataframe['fib_level_short'] = swing_low_short + (swing_high_short - swing_low_short) * self.sell_fib_level_enter.value # --- Cálculo de VWAP --- daily_key = dataframe['date'].dt.date tp_volume = (dataframe['high'] + dataframe['low'] + dataframe['close']) / 3 * dataframe['volume'] cumulative_tp_volume = tp_volume.groupby(daily_key).cumsum() cumulative_volume = dataframe['volume'].groupby(daily_key).cumsum() dataframe['vwap'] = cumulative_tp_volume / cumulative_volume # Corregido para evitar FutureWarning dataframe['vwap'] = dataframe['vwap'].ffill() return dataframe def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame: # --- Condiciones para ENTRADA EN LARGO (LONG) --- dataframe.loc[ ( # Condición de Fibonacci: el precio cruza hacia abajo el nivel de soporte de Fibonacci (qtpylib.crossed_below(dataframe['close'], dataframe['fib_level_long'])) & # Filtro de tendencia: el precio está por encima de la EMA de tendencia (dataframe['close'] > dataframe['ema_trend']) & # Filtro de RSI: el RSI no está sobrecomprado (dataframe['rsi'] < self.buy_rsi_enter.value) & # Filtro de ADX: hay algo de tendencia (dataframe['adx'] > self.buy_adx_enter.value) & # Filtro de volumen: hay un pico de volumen (dataframe['volume'] > dataframe['volume_ma'] * self.buy_volume_factor.value) ), 'enter_long' ] = 1 # --- Condiciones para ENTRADA EN CORTO (SHORT) --- dataframe.loc[ ( # Condición de Fibonacci: el precio cruza hacia arriba el nivel de resistencia de Fibonacci (qtpylib.crossed_above(dataframe['close'], dataframe['fib_level_short'])) & # Filtro de tendencia: el precio está por debajo de la EMA de tendencia (dataframe['close'] < dataframe['ema_trend']) & # Filtro de RSI: el RSI está en un rango óptimo para cortos (dataframe['rsi'] > self.sell_rsi_enter_bottom.value) & (dataframe['rsi'] < self.sell_rsi_enter_top.value) & # Filtro de ADX: hay algo de tendencia (dataframe['adx'] > self.sell_adx_enter.value) & # Filtro de volumen: hay un pico de volumen (dataframe['volume'] > dataframe['volume_ma'] * self.sell_volume_factor.value) ), 'enter_short' ] = 1 return dataframe def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame: # La salida se gestiona principalmente por el Trailing Stop y custom_exit return dataframe def custom_exit(self, pair: str, trade: 'Trade', current_time: datetime, current_rate: float, current_profit: float, **kwargs): # Salida temprana si el RSI se sobrecalienta/enfría demasiado dataframe, _ = self.dp.get_analyzed_dataframe(pair, self.timeframe) last_candle = dataframe.iloc[-1].squeeze() if current_profit > 0.01: # Solo aplicar si ya hay una pequeña ganancia if trade.is_short: if last_candle['rsi'] < 30: return 'rsi_exit_short' else: if last_candle['rsi'] > 70: return 'rsi_exit_long' return None